本文为PaddleRS实现变化检测提供保姆级教程，涵盖数据组织、模型训练到推理应用全流程。其贡献包括独家的变化检测数据集切片代码、数据列表生成、推理示例，还详解配置文件参数。介绍了PaddleRS及变化检测任务特殊性，浅析相关网络架构与训练文件，补全套件功能，最后展示结果，助力新手掌握全流程。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
PaddleRS 手把手教你PaddleRS实现变化检测
在官方详细教程发布前，可参考本保姆级教程，从数据组织、模型训练到推理应用，让你一键跑通，纵享丝滑
本项目主要贡献：
提供了变化检测数据集的切片代码，对文件夹下所有数据切片，并且克隆文件夹结构，训练集、验证集、测试集一键搞定，目前全网独家组织PaddleRS变化检测所需要的数据列表，生成train.txt等，目前全网独家训练好之后的推理示例，实例化网络，加载权重，使用paddlers.transofrms，处理图像，推理得到结果的例子，目前全网独家详细介绍配置文件参数的意义，让新手不再迷茫真正的保姆级全流程教程，不忽略一丝细节
PaddleRS简介
PaddleRS是基于飞桨开发的遥感处理平台，支持遥感图像分类，目标检测，图像分割，以及变化检测等常用遥感任务，帮助开发者更便捷地完成从训练到部署全流程遥感深度学习应用。
项目意义
变化检测任务较为特殊，需要给网络提供前后两个时相的遥感影像与对应label，无基础的用户可能应用困难。
图像分类、目标检测、语义分割三大任务可参考对应的套件，但变化检测没得参考。
本项目应运而生，为国产开源贡献绵薄之力。
网络架构浅析
以cdnet为例，路径：PaddleRS/ paddlers / custom_models / cd / models / cdnet.py
非常简单的三部分：
最基础结构是77的卷积层组合：补边，77卷积层，BN层，激活层
网络整体结构：9个conv7*7组合，四个下采样，四个上采样，很简单
传播过程：四次卷积组合+下采样，经过conv5，然后四次上采样，经过conv_out输出，是最基础的FCN结构。唯一需要注意的是第一行，t1与t2进行了cat叠加，拼接成了6通道，之后和普通的3通道输入语义分割网络没有任何区别
训练文件浅析
以cdnet为例，路径：tutorials/train/change_detection/cdnet_build.py
模型实例化：
model = pdrs.tasks.CDNet(num_classes=num_classes, in_channels=6)，其中num_classes是读取的label.txt的行数。由num_classes = len(train_dataset.labels)获取。
大部分情况下，变化检测是二分类任务，所以label.txt随便写两行即可，例如：
0
1
智写助手
智写助手 写得更快，更聪明
12 查看详情 数据transform，这块没啥好说的，数据读取后，resize到统一尺寸，然后增强，归一化，与其他套件没区别
train_transforms = T.Compose([ T.Resize(target_size=512), T.RandomHorizontalFlip(), T.Normalize( mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),])
定义dataset，这个是本文重点，难点问题都出现在这
train_dataset = pdrs.datasets.CDDataset( data_dir='E:/dataFiles/github/PaddleRS/tutorials/train/change_detection/DataSet', file_list='tutorials/train/change_detection/DataSet/train.txt', label_list='tutorials/train/change_detection/DataSet/labels.txt', transforms=train_transforms, num_workers=0, shuffle=True)
data_dir代表的是存放数据的文件夹，根目录，与file_list和label_list存储位置无关train.txt（val.txt）文件中，每一行保存了前时刻影像t1，后时刻影像t2，变化标签lab三个关键内容，分隔符是空格要保证os.path.join(data_dir,t1),os.path.join(data_dir,t2),os.path.join(data_dir,lab)能读取到文件，否则出错如果label是0,255的格式，一定要设置binarize_labels为True（原实例文件中没有），否则报错：ValueError: label should not out of bound, but gotTensor(shape=[1], dtype=int64, place=CUDAPlace(0), stop_gradient=True,train.txt还有一种组织形式，前时刻影像t1，后时刻影像t2，变化标签lab，前时刻建筑物标签lab1，后时刻建筑物标签lab2，这种情况下模型不仅做孪生网络，还做语义分割，但是个人不建议用，请相信我的专业=。=开始训练，没啥好说的，一看就明白
model.train( num_epochs=1, train_dataset=train_dataset, train_batch_size=4, eval_dataset=eval_dataset, learning_rate=0.01, pretrain_weights=None, save_dir='output/cdnet')
套件功能补全
变化检测数据集切片，spliter-cd.py
保留原数据集结构，work/train，val，text三个文件夹下所有图片一键切片，克隆原数据集目录结构，方便快捷
split_data_cd(args.image_folder, args.block_size, args.save_folder)是主函数args.image_folder数据集根目录，要包含train、val等子文件夹args.block_size是切片后的大小args.save_folder是切片后存储的文件夹生成文件列表，work/create_list.pycreate_list(args.image_folder, args.A,args.B,args.label, args.save_txt)是主函数args.image_folder是根目录args.A,args.B,args.label是根目录下T1影像,T2影像,变化label存储的文件夹args.save_txt是生成列表的存储路径补全预测代码，work/cdnet_predict.pyargs.weight 训练好的权重args.A,args.B,是T1影像路径,T2影像路径args.pre 预测图片存储的位置
顺便说个bug !python PaddleRS/setup.py install 会报错 FileNotFoundError: [Errno 2] No such file or directory: ‘README.md’
In [ ]
# 准备数据!unzip -oq data/data136610/LEVIR-CD.zip -d data/# 切片!python work/spliter-cd.py --image_folder data/LEVIR-CD --block_size 256 --save_folder dataset# 创建列表!python work/create_list.py --image_folder ./dataset/train --A A --B B --label label --save_txt train.txt!python work/create_list.py --image_folder ./dataset/val --A A --B B --label label --save_txt val.txt!python work/create_list.py --image_folder ./dataset/test --A A --B B --label label --save_txt test.txt
In [ ]
# 准备环境!git clone https://gitee.com/cloudzhangyi/PaddleRS.git!pip install -r PaddleRS/requirements.txt
In [ ]
# 开始训练!cp ./work/cdnet_build_and_train.py PaddleRS/tutorials/train/change_detection!python PaddleRS/tutorials/train/change_detection/cdnet_build_and_train.py
训练曲线可视化
运行上面代码，会产生output/cdnet/vdl_log文件夹，此文件内文件是VisualDL可读取的训练信息
按照上图步骤，启动可视化，查看训练曲线
In [ ]
# 这是你训练的权重，如果你训练充分的话用这个# !python work/cdnet_predict.py --weight output/cdnet/best_model/model.pdparams --A dataset/test/A/test_2_0_0.png --B dataset/test/B/test_2_0_0.png --pre ./work/pre.png# 这是我训练的权重，直接看的话用这个，100个epoch!python work/cdnet_predict.py --weight work/model.pdparams --A dataset/test/A/test_2_0_0.png --B dataset/test/B/test_2_0_0.png --pre ./work/pre.png
结果展示
test数据集中结果展示,从左到右分别是T1,T2,label,prediction,分析图
分析图中：
蓝色：True Positive （真正, TP）被模型预测为正的正样本
绿色：False Positive （假正, FP）被模型预测为正的负样本
红色：False Negative（假负 , FN）被模型预测为负的正样本
毕竟用的最简单的网络，效果并不是很好，训练100个rpoch，验证集最佳F1值在0.85左右
本项目至此结束，希望PaddleRS越做越好。
以上就是PaddleRS 手把手教你PaddleRS实现变化检测的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/318094.html
微信扫一扫 
支付宝扫一扫 
